MATLAB mit Qualifikation in Statistik

Der Kurs vermittelt die Analyse von Daten und mathematischen Problemen mit MATLAB sowie die Modellierung mit Simulink und den Einsatz von Künstlicher Intelligenz (KI) in diesem Bereich. Zudem wird der Umgang mit einem statistischen Programm im Lehrgang vermittelt, um Daten aufzubereiten.

Mathematische Modellierung mit MATLAB und Simulink

Grundlagen MATLAB (ca. 2 Tage)

MATLAB-Oberfläche
Auslesen von Daten aus einer Datei
Variablen, Arrays, Operatoren, Grundfunktionen
Grafische Darstellung von Daten
Anpassen von Diagrammen
Exportieren von Grafiken

Variablen und Befehle (ca. 2 Tage)

Relationale und logische Operatoren
Mengen, Mengen bei 2D-Körpern (Polyshape)
Durchführung mathematischer und statistischer Berechnungen mit Vektoren
Grafiken in der Statistik

Analyse und Visualisierung (ca. 1 Tag)

Erstellen und Verändern von Matrizen
Mathematische Operationen mit Matrizen
Grafische Darstellung von Matrixdaten
Matrixanwendungen: Abbildungen, Rotation, Lineare Gleichungssysteme, Least Square Verfahren

Künstliche Intelligenz (KI) im Arbeitsprozess

Vorstellung von konkreten KI‐Technologien
sowie Anwendungsmöglichkeiten im beruflichen Umfeld

Datenverarbeitung (ca. 1 Tag)

Datentypen: Structure Arrays, Cell Arrays, String vs. Char, Categorical, Datetime u. v. m.
Anlegen und Organisieren tabellarischer Daten
Bedingte Datenauswahl
Importieren/Exportieren mit Matlab: Ordnerstrukturen, .mat-Daten, Tabellendaten, Fließtexte

MATLAB-Programmierung (ca. 3 Tage)

Kontrollstrukturen: Schleifen, if-else, Exceptions
Funktionen
Objektorientierte Programmierung
App Design

Simulation in MATLAB (ca. 5 Tage)

Numerische Integration und Differenziation
Grundlagen der Simulation gewöhnlicher Differentialgleichungen, Matlab ODE und Solveroptionen
Simulationstechnik in Matlab: Eingabeparameter, Dateninterpolation, Simulationsstudien
Simulationssteuerung: Eventfunctions (Zero Crossing), Outputfunctions
Anwendungsbeispiele, z. B. Simulation eines Elektromotors, Simulation einer Rakete

Simulink (ca. 4 Tage)

Grundlagen in Simulink: Schaubilder, Funktionen, Signale und Differentialgleichungen
Funktionen, Subsysteme und Bibliotheken
Import/Export, Lookup-Tabellen, Regelung
Zero-Crossing, Automatisierung von Simulationsaufgaben (Matlab Zugriff)
Anwendungsbeispiele, z. B. Simulation eines Flugzeugtriebstrangs

Projektarbeit (ca. 2 Tage)

Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse

Statistik

Statistische Grundlagen (ca. 6 Tage)

Messtheoretische Grundlagen (Grundgesamtheit und Stichprobe, Stichprobenarten, Messung und Skalenniveaus)
Univariate Deskriptivstatistik (Häufigkeitsverteilungen, Zentralmaße, Streuungsmaße, Standardwert, Histogramme, Balkendiagramme, Kreisdiagramme, Liniendiagramme und Boxplots)
Bivariate Deskriptivstatistik (Zusammenhangsmaße, Korrelationskoeffizienten, Kreuztabellen, Streudiagramme und gruppierte Balkendiagramme)
Grundlagen der induktiven Inferenzstatistik (Wahrscheinlichkeitsverteilung, Normalverteilung, Mittelwerteverteilung, Signifikanztest, Nullhypothesentest nach Fisher, Effektgröße, Parameterschätzung, Konfidenzintervalle, Fehlerbalkendiagramme, Poweranalysen und Ermittlung des optimalen Stichprobenumfangs)

Künstliche Intelligenz (KI) im Arbeitsprozess

Vorstellung von konkreten KI‐Technologien
sowie Anwendungsmöglichkeiten im beruflichen Umfeld

Methoden zum Vergleich von zwei Gruppen (ca. 5 Tage)

z- und t-Test für eine Stichprobe (Abweichung von einem vorgegebenen Wert)
t-Test für den Mittelwertsunterschied von zwei unabhängigen/verbundenen Stichproben
Prüfung der Wirksamkeit von Aktionen, Maßnahmen, Interventionen und anderen Veränderungen mit t-Tests (Pretest-Posttest-Designs mit zwei Gruppen)
Unterstützende Signifikanztests (Anderson-Darling-Test, Ryan-Joiner-Test, Levene-Test, Bonnet-Test, Signifikanztest für Korrelationen)
Nonparametrische Verfahren (Wilcoxon-Test, Vorzeichentest, Mann-Whitney-Test)
Kontingenzanalysen (Binomialtest, Exakter Test nach Fisher, Chi-Quadrat-Test, Kreuztabellen mit Assoziationsmaße)

Methoden zum Mittelwertvergleich von mehreren Gruppen (ca. 5 Tage)

Ein- und zweifaktorielle Varianzanalyse (einfache und balancierte ANOVA)
Mehrfaktorielle Varianzanalyse (Allgemeines lineares Modell)
Feste, zufällige, gekreuzte und geschachtelte Faktoren
Mehrfachvergleichsverfahren (Tukey-HSD, Dunnett, Hsu-MCB, Games-Howell)
Interaktionsanalyse (Analyse von Wechselwirkungseffekten)
Trennschärfe und Poweranalyse bei Varianzanalysen

Einführung in die Versuchsplanung (DoE, Design of Experiments) (ca. 1 Tag)

Voll- und teilfaktorielle Versuchspläne

Projektarbeit (ca. 3 Tage)

Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse

Änderungen möglich. Die Lehrgangsinhalte werden regelmäßig aktualisiert.